Riemannian manifold
PulseAugur coverage of Riemannian manifold — every cluster mentioning Riemannian manifold across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新理论将统计效率扩展到黎曼流形
Lin Liu 的一篇新论文提出了一种渐近效率理论，适用于具有非欧几里得结构的统计模型，例如黎曼流形。这项工作通过开发一套词汇来将正则估计量和可微泛函等概念翻译到流形设置，从而扩展了主要局限于赋范线性空间的现有理论。该论文通过应用于计算总体 Fréchet 均值和单指标模型中的回归系数来展示该框架的效用。
-
新的谱嵌入方法整合群对称性以改进数据分析
研究人员开发了一种新的谱嵌入方法，该方法将群对称性（如旋转）整合到亲和核中。这种方法改进了具有这些对称性的内在低维结构的数据集的降维和聚类。该方法被证明可以收敛到商空间上的微分算子，从而获得更好的收敛速率和内在数据几何的准确恢复，性能优于标准的谱嵌入技术。
-
新的采样方法提高了复杂分布的效率 · 跟踪 2 个来源
研究人员开发了一种名为 Gradient-free Riemannian Langevin Sampler (GRiLS) 的新方法，以提高多模态概率分布采样的效率。该方法旨在克服标准马尔可夫链蒙特卡洛方法在混合不良和模式陷阱方面的局限性。GRiLS 利用黎曼度量重塑局部几何形状，促进模式之间的转换，而无需对目标密度进行梯度评估，使其适用于复杂的计算目标。此外，另一篇论文探讨了通用空间上的快速行列式采样，为数据集表示提供了基于核的方法…
-
新的Manifold GCN层在图数据上表现优于最先进水平
研究人员开发了用于位于黎曼流形上的数据的新图神经网络层。这些层名为Manifold GCN，基于扩散方程和切线多层感知机，提供对节点排列和特征流形等距的等变性。在合成数据和使用右海马体三角形网格进行的真实世界阿尔茨海默病分类任务上的初步应用表明，这些层优于现有的最先进网络，同时适用于更广泛的问题。
-
新的镜像下降框架将优化扩展到黎曼流形
研究人员开发了一个广义的黎曼流形上镜像下降（MD）框架，将其适用性扩展到复杂的优化问题。这个新的黎曼镜像下降（RMD）框架包含一个随机变体，并提供非渐近收敛保证。当应用于Stiefel流形时，RMD框架简化为曲边梯度下降（CGD），其随机扩展有效地解决了大规模流形优化问题。
-
新方法在离散化流形上近似 Whittle-Matern 场
研究人员开发了一种在新方法，使用离散化黎曼流形上的离散高斯马尔可夫随机场 (GMRF) 来近似 Whittle-Matern 场。该方法为整个 $(\alpha, \kappa)$ GMRF 族（无论其具体参数如何）的精度和协方差矩阵提供了一个通用的近似方案。该方法还固有地模拟了随机场的点状和分段平滑测量，并且其计算成本与使用的插值器无关。此外，精度矩阵被证明是图拉普拉斯算子在连接良好且体积集中的离散化上的谱函数，并提供了一个低秩近似…
-
新的黎曼交叉协方差方法增强了复杂数据上的机器学习
研究人员开发了一种新的方法来估计非线性黎曼流形上随机对象的协方差，这些流形越来越多地用于机器学习中处理形状和矩阵等数据。这种内在黎曼交叉协方差方法将局部变化传输到公共切空间，创建了一个与坐标选择无关的描述符。该方法继承了欧几里得协方差的性质，并在各种流形和真实形状数据上被证明是有效的，使其成为非欧几里得表示学习的关键工具。
-
新的黎曼框架增强了低秩最优输运求解器
研究人员开发了一个新的黎曼几何框架，以改进低秩最优输运（OT）求解器。该方法将因子耦合建模为子流形，并使用 Fisher-Rao 乘积度量来推导出有效的投影器和收缩。该框架扩展到各种 OT 问题，包括线性 OT 和 Gromov-Wasserstein，提供每迭代线性的复杂度和全局最优性的证书。实验表明，与现有方法相比，收敛速度更快，性能更优。
-
测地流匹配增强了用于 SLAM 和图像恢复的 AI
研究人员开发了测地流匹配 (GFM) 来改进去噪和恢复任务，方法是考虑数据表示的几何约束。第一篇论文将 GFM 应用于具有空间语义指针的神经符号推理，显示出 SLAM 系统跟踪误差的显著降低。第二篇论文将 GFM 用于盲图像恢复，在黎曼流形上对退化进行建模，以实现更原则性和更通用的恢复。
-
新方法修复流形上生成模型的半径失真
研究人员开发了一种名为径向补偿（RC）的新方法，以解决在黎曼流形上运行的生成模型中的失真问题。标准方法将样本从欧几里得切空间映射到流形，这会改变距离解释。RC 引入了一个特定的基分布，该分布保留了测地线径向似然和切空间各向同性，从而实现了更稳定的训练和更清晰的曲率估计。通过将统计意义与数值条件分离开来，该技术在流形变分自编码器和连续归一化流方面取得了改进。
-
流形上的CNN在边界值问题中提高了精度
研究人员开发了新颖的卷积神经网络（CNN）方法，用于在紧致黎曼流形上近似函数和求解椭圆边值问题。这些方法展示了比标准方法更高的近似率，该近似率取决于流形的内在维度而非其环境维度，有助于克服维度灾难。提出的物理信息CNN（PICNN）框架通过引入谱边界损失来专门解决边值问题，与标准的物理信息神经网络（PINNs）相比，提高了精度、收敛性和稳定性。
-
新框架将熵最优传输与弯曲空间上的神经网络相结合
研究人员引入了Entropic Riemannian Neural Optimal Transport (Entropic RNOT)，一个新颖的框架，旨在处理涉及弯曲空间上数据的机器学习问题。该方法将内在熵最优传输与黎曼流形上的摊销样本外评估相结合。Entropic RNOT学习一个薛定谔势来构建内在传输代理，在各种流形上的基准测试和蛋白质-配体对接的实际应用中，表现优于现有基线。
-
新的扩散模型使用信息几何实现高效图生成
研究人员开发了一种新的图扩散模型信息几何框架，该框架超越了均匀时间步进。该方法将扩散采样轨迹重新解释为黎曼流形上的曲线，并使用费舍尔-拉奥度量来测量内在距离。由此产生的漂移变异分数（DVS）量化了分布变化，确保了采样路径上信息速度恒定，从而提高了分子和社会网络生成的结构保真度和效率。
-
Kerimov-Alekberli 模型将热力学与自主系统AI安全联系起来
研究人员提出了Kerimov-Alekberli模型，这是一个信息几何框架，旨在增强自主系统中的AI安全和伦理对齐。该模型在非平衡热力学和随机控制之间建立了正式联系，将系统异常定义为偏离黎曼流形。它采用Kullback-Leibler散度作为关键指标，并将Landauer原理作为其基础，证明了对抗性攻击可以通过增加信息熵来量化为物理功。在NSL-KDD数据集和UAV模拟上的验证显示了有效的实时检测能力。
-
新的隐私机制将几何分析、热扩散和差分隐私联系起来
研究人员引入了一种新的隐私机制，用于处理位于黎曼流形上的数据。这种新颖的方法在几何分析、热扩散模型和差分隐私之间建立了联系。该机制利用 Ricci 曲率提供 Renyi 差分隐私保证，对具有非负 Ricci 曲率的流形使用热扩散，对一般流形使用 Langevin 过程。